Künstliche Intelligenz im Maschinenbau
Die Forschung im Bereich Künstliche Intelligenz im Maschinenbau zielt darauf ab, datenbasierte Methoden zur Analyse, Überwachung und Optimierung technischer Systeme weiterzuentwickeln und praxisnah anzuwenden. Im Mittelpunkt stehen Verfahren wie Machine Learning, Deep Learning und statistische Analysemodelle, die auf reale industrielle Fragestellungen übertragen werden.
Wir verwandeln industrielle Rohdaten in belastbare Entscheidungen. Dazu kombinieren wir akademische Exzellenz mit praxisnahen Pilotprojekten: Unternehmen bringen ihre Fragen, Anlagen und Daten ein, wir liefern das methodische Fundament und experimentelle Infrastruktur.
Das Ergebnis sind einsatzbereite KI-Lösungen, die Entwicklungszyklen optimieren, Prozesse stabilisieren und Ressourcen schonen.
Forschungsschwerpunkte
Unsere Forschung vereint moderne KI-Methoden mit ingenieurwissenschaftlicher Praxis. Im Mittelpunkt stehen:
- Datengetriebene Zustandsprognose:
Entwicklung von ML-Modellen, die Abnutzung und Fehlfunktionen frühzeitig erkennen und planbare Wartungsstrategien ermöglichen. - Predictive Quality:
Nutzung statistischer und KI-basierter Verfahren, um Qualitätsabweichungen in Echtzeit zu detektieren und Ausschuss zu minimieren. - Adaptive Regelung & Self-Learning Agents:
Einsatz von Reinforcement-Learning-Algorithmen, die Prozesse und Prüfroutinen selbstständig optimieren und sich wechselnden Bedingungen anpassen. - Digital Twin & Simulation Analytics:
Kopplung virtueller Zwillinge mit Live-Daten, um Szenarien durchzuspielen, Entwicklungszyklen zu verkürzen und Risiken zu reduzieren. - Feature Engineering & Datenvorbereitung:
Skalierbare Pipelines zur Datenbereinigung, Synchronisation, Anreicherung und Merkmalsextraktion - das Fundament verlässlicher Modelle. - Explainable AI:
Methoden, die Entscheidungswege transparenter machen, Vertrauen schaffen und regulatorischen Anforderungen gerecht werden.
Anwendungsgebiete
- Qualitätsüberwachung am Prozessende:
KI-gestützte End-of-Line-Inspektion, die prozessbegleitend erfasste Sensor- und Bilddaten auswertet, um Abweichungen sofort zu erkennen und Ausschuss zu minimieren. - Anomalieerkennung in sicherheitskritischen Systemen:
Analyse von Bild-, Signal- und Telemetriedaten zur frühzeitigen Detektion ungewöhnlicher Muster und Risiken, damit höchste Betriebssicherheit gewährleistet bleibt. - Trajektorienplanung für autonome Drohnen:
Reinforcement-Learning-basierte Routenoptimierung mit flexibel anpassbaren Randbedingungen – für effiziente, sichere und energiesparende Flugpfade. - Nutzungsszenarien- & Nutzerprofilanalyse:
Auswertung von Felddaten zur Erkennung realer Einsatzmuster und Nutzerverhalten. Die gewonnenen Erkenntnisse ermöglichen gezieltere Erprobungspläne und eine kundenorientierte, bedarfsgerechte Produktgestaltung. - Meta-Modellierung & Surrogatmodelle:
Aufbau schneller, datengestützter Ersatzmodelle auf Basis unterschiedlicher Simulationen. Diese unterstützen frühe Designentscheidungen, reduzieren Rechenaufwand im Entwicklungsprozess und beschleunigen Variantenstudien.
Unsere Kooperationspartner
Technische Ausstattung
- Deep Learning Workstation mit NVIDIA RTX A5500 Grafikkarten und 128GB DDR4-RAM
- Deep Learning Workstation mit NVIDIA RTX 6000 Ada Lovelace Grafikkarten und 192GB DDR4-RAM
- Condition Monitoring und Predictive Quality Prüfstand mit mehreren Kameras (Fujifilm X100VI, GoPro HERO12 und industrielle CCD-Kameras) für die Aufnahme von komplexen Werkstückoberflächen